Цифровая реставрация культурных ценностей на основе 3D‑моделирования и машинного зрения

Возвращая к жизни сломанные сокровища

Музейные предметы, такие как древние горшки и бронзовые сосуды, часто поступают к нам треснувшими, фрагментированными или истёртыми. Ремонт вручную требует мастерства и многих часов работы, и каждое прикосновение несёт риск дальнейшего повреждения. В этом исследовании показано, как компьютеры могут помочь хранителям наследия восстановить как форму, так и декоративную поверхность повреждённых артефактов в цифровом виде, создавая детализированные 3D‑модели, которые можно изучать, распространять и экспонировать без угрозы для оригиналов.

Почему восстановление повреждённых артефактов сложно

Культурные реликвии служат материальными следами прошлых обществ, но столетия в земле, климат и обращение оставляют их оббитых, выцветшими или без крупных фрагментов. Традиционная реставрация опирается на глаз и опыт реставратора, что делает процесс медленным, дорогим и порой непоследовательным. Особенно трудно восстановить, как утраченные узоры проходили по изогнутой поверхности чаши или вазы. По мере роста коллекций и увеличения числа находок музеям нужны методы, способные обрабатывать большие объёмы артефактов, сохраняя при этом тонкие детали и минимизируя физическое вмешательство.

Запечатление полной формы в трёх измерениях

Авторы сначала сосредоточиваются на восстановлении полной формы объекта. Они сканируют реликвию лазерами и камерами, собирая плотное облако точек, которое описывает её поверхность в пространстве. Эти исходные данные очищают и выравнивают, затем алгоритмы ищут ключевые точки и устойчивые признаки на перекрывающихся сканах, сшивая их в единую модель. Тщательно подобранный метод построения сетки превращает облако точек в гладкую сеть маленьких треугольников, повторяющих изгибы и ребра объекта. Специальная двухветвная нейросеть обучается заполнять пропущенные области облака точек, сопоставляя предсказанные точки с реальными примерами, получая полную 3D‑модель даже при отсутствии части исходного предмета.

Перерисовка стёртых орнаментов с помощью интеллектуальных изображений

Когда геометрия восстановлена, метод восстанавливает и поверхностные текстуры, такие как крашенные полосы или резные мотивы. Команда использует класс ИИ‑инструментов, называемых генеративно‑состязательными сетями, которые учатся создавать новые изображения, похожие на реальные. Они расширяют эту идею условным дизайном, позволяющим системе учитывать указания о типе требуемой текстуры. Дополнительные приёмы помогают сосредоточиться на важном: фильтры градиента подчёркивают резкие переходы там, где должны быть края, а «затворная» (gated) операция подсказывает сети, каким частям изображения следует доверять больше. Этап контекстного внимания позволяет системе заимствовать фрагменты из неповреждённых зон для заполнения пробелов, чтобы линии и мотивы плавно продолжались через восстановленные области.

Тестирование метода на музейных экспонатах

Чтобы оценить эффективность подхода, авторы обучают и тестируют его на общедоступных 3D‑моделях бронзовых и керамических предметов, а также на большом наборе образцов текстур. Они сравнивают своё восстановление облаков точек и ремонт текстур с несколькими ведущими компьютерными методами. По ряду показателей точности формы и качества изображения их система стабильно допускает меньшие ошибки, формирует более гладкие края и работает быстрее. Яркость и цвет восстановленных поверхностей ближе соответствуют эталонным шкалам, уменьшая заметные несоответствия. В практических испытаниях на чашах и вазах как общая форма, так и сложные декоративные полосы выглядят более непрерывно и естественно по сравнению с конкурирующими методиками.

Как эксперты оценили цифровые реставрации

Помимо численных метрик, команда привлекает человеческих оценщиков, которые оценивают результаты вслепую, не зная, какой метод был использован. Рецензенты оценивают полноту орнаментов и естественность восстановленных областей рядом с оригинальной поверхностью. Новый метод получает наивысшие оценки: большая часть отзывов находится на верхнем уровне по визуальной гладкости, и лишь небольшая доля признана явно искусственной. Пошаговые тесты также показывают, что каждое добавленное звено — условное управление, gating и контекстное внимание — вносит вклад в лучшую непрерывность и реализм итоговых моделей.

Что это значит для музеев и общественности

Исследование делает вывод, что сочетание тщательного 3D‑сканирования и продвинутого обучения изображений позволяет цифрово восстанавливать повреждённые реликвии с высокой точностью и скоростью. Кураторы могут изучать «доработанные» версии хрупких объектов без дополнительного обращения, создавать точные реплики для экспозиций или обучения и сохранять подробные записи для будущих исследований. Хотя текущая работа сосредоточена на бронзе и керамике в стабильных условиях внутри помещений, те же идеи можно расширить на другие материалы и более суровые условия. Таким образом, цифровые инструменты становятся партнёрами человеческих экспертов, помогая сохранять культурные сокровища и делать их доступнее для людей по всему миру.

Цитирование: Yu, J., Li, H. Digital restoration of cultural relics based on 3D modeling and machine vision. Sci Rep 16, 15124 (2026). https://doi.org/10.1038/s41598-026-45060-9

Ключевые слова: культурное наследие, 3D‑моделирование, восстановление изображений, машинное зрение, GAN